小竞 (编辑)
aws sagemaker是一个全面托管的服务，允许开发人员和数据科学家构建、训练和部署机器学习模型。对于该平台的宣称令人印象深刻：团队生产力提高了10倍，总拥有成本降低了54%，数据标注成本降低了40%，并且通过更高效地使用gpu，模型训练速度提高了50%，更不用说每月能进行超过1万亿次的预测。
aws sagemaker是否真能兑现这些承诺？我们决定进行一些研究，看看这种炒作是否合理。
虽然很难验证上述引用的具体数字，但sagemaker似乎有可能成为机器学习团队的一种改变游戏规则的技术。这个全面托管的服务处理了许多可能会拖慢数据科学家工作的乏味工作，如基础设施管理和扩展，让您能够专注于更关键的任务。那么值得尝试sagemaker吗？让我们来看看吧！
aws sagemaker的6个必知事实
- aws sagemaker是amazon web services生态系统中关键的机器学习组件，属于软件即服务（saas）。
- 亚马逊在2017年推出了sagemaker，并自那以后发布了几个重大更新。
- sagemaker支持多种编程语言，包括javascript、java、python、go和ruby。
- 您可以将sagemaker与其他aws应用程序集成，包括s3、ec2和redshift。
- 许多企业使用它来训练神经网络并在业务运营中利用机器学习模型。
- 您甚至可以通过将其与aws glue开发端点连接来使用sagemaker进行etl。
aws sagemaker是什么：解释
sagemaker是亚马逊作为amazon web services的一部分创建的全面托管服务，允许开发人员和数据科学家构建、训练和部署机器学习模型。它提供了一个易于使用的界面，并与其他aws服务集成，因此在机器学习任务中广受欢迎。
aws sagemaker的一些常见用例包括预测建模。换句话说，sagemaker可以帮助您使用历史数据对未来事件进行预测。
这使您能够创建令人兴奋的模型，根据过去的互动个性化用户推荐。例如，流媒体服务可以使用aws sagemaker构建一个推荐系统，根据用户的观看历史为用户推荐新电影或电视节目。
nlp关注的是使计算机能够理解文本和口头语言。
©ivelin radkov/shutterstock.com
由于sagemaker与其他aws服务集成，您还可以使用自然语言处理（nlp）来分析和处理文本数据。您可以构建复杂的分类模型用于中。这对于构建能够对客户或用户输入进行分类的模型非常有价值。
作为一个全面托管的机器学习服务，sagemaker使数据科学家和开发人员能够轻松构建和优化模型，然后将它们无缝地部署到生产环境中。此外，通过内置的jupyter笔记本，可以轻松访问数据源和分析，您可以毫不费力地深入项目中。
sagemaker还具有优化的标准机器学习算法，可以处理大量数据并在分布式环境中顺利运行。您可以通过sagemaker studio或控制台在安全、可扩展的空间中部署您的模型，轻松解决问题。让我们了解一下sagemaker的一些主要组件，并探索为什么您可能希望在每个组件上花费时间。
sagemaker studio
sagemaker studio是一个集成的机器学习环境，可以在同一个应用程序中构建、训练、部署和分析模型。它为您的sagemaker资源提供了一个基于web的单一用户界面，包括笔记本、模型和数据集。
sagemaker studio允许您使用jupyter笔记本编写和运行代码。这些是交互式文档，可以混合使用代码、文本和其他媒体。sagemaker experiments和sagemaker debugger提供了可视化和分析数据的附加工具。使用debugger实时监控模型，可以在问题变得严重之前及时发现问题。
您还将找到许多机器学习算法和框架，如tensorflow、pytorch和sci-kit-learn。sagemaker支持所有最流行的框架。这样，您可以快速启动项目，而无需重新构建应用程序的基本组件。
sagemaker autopilot
aws sagemaker autopilot是一项自动化的机器学习服务，允许用户构建和部署机器学习模型，无需编码或数据科学专业知识。它使用名为sagemaker studio canvas的简单拖放界面，让用户轻松创建模型并进行预测。
您可以将sagemaker autopilot与存储在amazon s3或redshift中的数据一起使用。它会自动清理、处理和拆分数据集，准备成训练集和测试集。
sagemaker autopilot在您的数据上训练和调整一系列机器学习模型，并根据您的评估指标选择表现最佳的模型。一旦您拥有经过训练和调整的模型，就可以将其部署到生产环境并用于进行预测。
sagemaker autopilot是一个适合想要构建机器学习模型但没有编码或数据科学专业知识的用户的选择。作为一个“低代码”解决方案，您仍然需要一些技术专长来将所有组件整合在一起。然而，更友好的界面对初学者更加友好。
sagemaker data wrangler
aws sagemaker data wrangler是另一个类似的功能，允许您导入、分析、准备和“特征化”机器学习数据。它提供了一个简单的可视界面，让您可以执行日常数据准备任务而无需编写代码，并允许您集成自定义的python脚本和转换以定制您的数据准备工作流程。
sagemaker data wrangler允许您从amazon s3、redshift和数据库导入数据。一旦导入数据，您可以使用直方图和散点图等交互式可视化工具进行探索和分析。
最后，data wrangler可以通过清理和转换数据为机器学习做准备。除此之外，它还会处理缺失值和异常值，并生成方便的质量报告来展示结果。
如何使用aws sagemaker
您可能会想：sagemaker听起来很棒！那么如何使用它呢？让我们来了解一下基础知识。
要使用aws sagemaker，您需要创建一个aws账户。这很容易。您可以访问aws网站并按照提示创建一个账户。一旦您拥有了aws账户，就可以设置一个sagemaker环境。这个过程包括创建一个iam角色和一个sagemaker笔记本实例。
在设置好sagemaker环境后，可以开始探索sagemaker界面。您可以通过sagemaker studio管理sagemaker资源，并使用jupyter的笔记本实例运行代码。
在训练模型之前，需要准备好数据。这个过程包括收集和清洗数据，并以sagemaker兼容的格式存储数据。
准备好数据后，可以使用sagemaker训练模型。这包括选择算法或框架，配置训练参数和启动训练作业。
训练模型后，您会希望评估其性能，以确保其准确和有效。sagemaker提供了一系列用于评估模型的工具和指标。
满意模型的性能后，可以将其部署到生产环境中，以便用于预测或执行其他操作。部署后，您会希望监控模型的性能。
根据需要进行更新，以确保其持续良好的性能。正如前面提到的，sagemaker提供了许多用于监控部署模型和更新的工具。
如何学习aws sagemaker
对于每个人来说，使用sagemaker可能并非自然而然，但对于具有技术背景的人来说，这将是一件轻而易举的事情。由于sagemaker提供了利用各种技术的功能，您需要花费很多时间来学习和探索所有功能。但是，如果您只是想初步了解，那么仅需稍作摸索即可。
有很多资源可以帮助您学习和使用sagemaker，因此很容易找到信息丰富的教程和指南。亚马逊为其用户群体提供了完善的技术文档库，以帮助用户充分利用其软件。
aws sagemaker文档是一个全面的资源，涵盖了使用sagemaker的所有方面。它包括详细的说明、教程和代码示例。您将找到数百页的精彩信息。然而，直接攻略文档通常不是学习新东西的最佳方式。
stack overflow提供计算机编程的广泛问题和答案。
©casimiro pt/shutterstock.com
相反，您应该专注于构建项目，并在需要帮助时查阅文档。可以按照视频或基于文本的教程来帮助您起步。一旦您建立了一个坚实的框架，可以在文档或类似stack overflow的网站上搜索特定的错误或问题。
亚马逊网络服务的youtube频道也有很多有用的视频，包括关于sagemaker的视频。您还会找到大量详细介绍使用特定功能以及模型训练和部署的最佳实践的视频。
aws sagemaker：何时不是最佳选择？
虽然sagemaker为其用户提供了对机器学习模型的完全控制，但它可能并不是在每种情况下都是最佳选择。问题在于灵活性。由于受限于aws生态系统，sagemaker在灵活性方面表现平平。换句话说，您不能将sagemaker与其他平台分开使用。
另一个限制因素是成本。虽然sagemaker与亚马逊免费的aws套餐一起提供，但它有一些明显的限制。如果您使用的计算资源超过了分配的资源，将按照相应的费用计算。与neptune.ai、mlflow和kubeflow等竞争平台相比，aws相对较昂贵。
如果您的团队或组织已经使用aws，sagemaker是一个明显的选择。但是由于成本和受限环境的原因，单独为sagemaker的功能设置aws可能不值得。
对于那些寻找替代服务的人来说，你会发现有各种各样的选择。很难超越sagemaker，因为它提供了独特的功能和集成支持，但您仍然可以找到具有竞争力的替代品。让我们看一下sagemaker最受欢迎的两个替代品，以给您一个想法。
kubeflow
kubeflow被设计为可在任何基础架构上运行，包括本地环境、云环境和混合环境。如果您希望在不同的环境中使用相同的机器学习流程，或者希望避免供应商锁定，这将非常有用。
与sagemaker一样，kubeflow允许您使用开源工具和框架（如tensorflow、pytorch等）定制您的机器学习工作流程。最重要的优势是kubeflow是一个开源项目。这意味着您可以访问源代码并为平台的发展做出贡献。
mlflow
与kubeflow类似，mlflow是完全开源和可移植的。您可以将其与许多流行的工具和框架一起运行。流行的编程语言（如python、r、java等）可以与您选择的机器学习库并行运行。因此，如果您想要一个多功能的服务，不想被束缚，mlflow是一个很好的选择。
尽管是开源的，mlflow仍然可以扩展以支持大型组织。有微软、databricks、r studio和华盛顿大学等公司参与到该项目中，它拥有坚实的基础和支持网络。
aws sagemaker：发布历史
amazon sagemaker于2017年在aws re:invent大会上发布。亚马逊承诺提供一个可以帮助开发人员和数据科学家更高效地管理构建和部署机器学习模型的工具。目标是提供一个完全托管的端到端服务，以减轻构建和部署大规模机器学习模型时的一些重负和复杂性。
根据发布这项新服务的博文作者randall hunt的说法，amazon sagemaker旨在“为加快将机器学习纳入新应用程序的过程提供一个框架。” aws首席执行官andy jassy将其描述为“一种简单的训练和部署机器学习模型的方法，适用于日常开发人员。”
亚马逊sagemaker的推出被视为对开发人员和数据科学家对机器学习日益增长的需求的回应。自首次发布以来，sagemaker已经进行了几次重大更新，包括添加对tensorflow、强化学习和aws marketplace的支持。
本文顶部显示的图片版权归©michael vi/shutterstock.com所有。
